¡CUIDADO, NO ES IA TODO LO QUE RELUCE! O QUIZÁ LA IA NO RELUCE TODO LO QUE DEBE

Un grupo de investigadores de la Universidad de Melbourne ha publicado el pasado día 11 de septiembre en la revista Plos Medicine una amplísima revisión sistemática y metaanálisis de historiales médicos y estudios previos procedentes de las bases de datos PubMed, PsycINFO, Scopus, EMBASE, IEEE, Medline, CINALH y Web of Science, con objeto de validar la eficacia de los algoritmos de aprendizaje automático para predecir el suicidio, la autolesión y un resultado combinado de suicidio y autolesión. El aprendizaje automático es una rama de la Inteligencia Artificial en la que los algoritmos de predicción se desarrollan probando de forma automática e iterativa asociaciones complejas entre muchos factores en un conjunto de datos.

Los investigadores Xianglin Aneta Guo, Laurant Kang, Olivia J. Kirtley, Angela Clapperton, Keith Hawton, Nav Kapur, Jane Pirkis y Greg Carter, liderados por Matthew J. Spittal, analizaron más de 35 millones de historiales médicos y casi 250.000 casos de suicidio o autolesión tratada en hospitales.

En los últimos 50 años se han desarrollado numerosas escalas de evaluación de riesgos para identificar a los pacientes con alto riesgo de suicidio o autolesión. Estas escalas clasifican a los pacientes como de alto o bajo riesgo, y las estrategias de tratamiento se basan frecuentemente en los resultados de esta evaluación. En general, estas escalas tienen poca precisión predictiva, y esta es una de las razones por las que muchas guías de práctica clínica desaconsejan firmemente la evaluación del riesgo de suicidio y autolesión.

La disponibilidad de métodos modernos de aprendizaje automático y el acceso a datos de registros y historias clínicas electrónicos han vuelto a centrar la atención en el desarrollo de nuevos algoritmos para predecir el suicidio y las autolesiones.

Los investigadores, tras realizar una revisión sistemática y un metaanálisis para valorar las características de los algoritmos de aprendizaje automático para predecir el suicidio y la autolesión, detectaron que la calidad general de la investigación en esta área fue deficiente y la mayoría de los estudios presentaban un riesgo de sesgo alto o incierto, lo que acarreaba que las propiedades predictivas de estos algoritmos de aprendizaje automático resultaban deficientes y no mejores que las escalas de evaluación de riesgos tradicionales.

Así, los algoritmos de aprendizaje automático clasificaban incorrectamente a más de la mitad de las personas que posteriormente se presentan en el hospital por autolesión o mueren por suicidio como de bajo riesgo.Una clasificación de alto riesgo predice pobremente quién cometerá suicidio o se autolesionará.

De manera que no hay evidencia suficiente para justificar un cambio en las recomendaciones de las guías de práctica clínica actuales sobre la evaluación de riesgos.

Los investigadores reconocen que los resultados están limitados por la exclusión de estudios en los que no pudieron extraer la información necesaria para realizar un metaanálisis y por los estudios incluidos que evaluaron los resultados durante diferentes períodos de tiempo.

En conclusión, esta nueva investigación pone de manifiesto que los algoritmos desarrollados mediante herramientas de aprendizaje automático para predecir el suicidio y la autolesión presentan los mismos problemas que las escalas de riesgo tradicionales utilizadas para predecir la conducta suicida.

Estos algoritmos presentan una sensibilidad moderada y valores predictivos positivos bajos, lo que resulta en que la mayoría de los casos de suicidio o autolesión se produzcan en personas clasificadas como de bajo riesgo, y una gran proporción de falsos positivos en personas clasificadas como de alto riesgo.

A la vista de este nuevo estudio, que debería ser confirmado por otros estudios independientes similares para validarlo, sí parece que conviene tomar con ciertas precauciones los resultados de aplicar la IA a asuntos tan problemáticos como son el suicidio y las conductas autolesivas para establecer predicciones individualizadas.

Puedes leer el estudio completo aquí.

Si quieres hacer un comentario, recuerda iniciar sesión o registrarte en el recuadro de la esquina superior derecha de la entrada. Nos encantará leerte. Y si nos das un me gusta haciendo clic en el corazoncito, estaremos más encantados todavía.